TrOCR是微软发布的OCR识别模型，基于transformer，适用于手写和打印文本识别。模型包括Vision transformer编码器（如DeIT）和language transformer解码器（如RoBERTa, UniLM）。经过大规模数据预训练和微调，如在IAM手写和SROIE打印数据集上的微调，提高了识别效果。通过hugging face的transformers库，可以方便地实现OCR图片文字识别。"
121731574,10423857,C++实现二维空间点类,"['C++', '开发语言', '后端']
前期我们使用大量的篇幅介绍了手写数字识别与手写文字识别，当然那里主要使用的是CNN卷积神经网络，利用CNN卷积神经网络来训练文字识别的模型。
这里一旦提到OCR相关的技术，肯定第一个想到的便是CNN卷积神经网络，毕竟CNN卷积神经网络在计算机视觉任务上起到了至关重要的作用。有关CNN卷积神经网络的相关知识与文章，可以参考往期的文章内容。
但是随着transformer模型attention注意力机制进入计算机视觉任务，我们同样可以使用transformer来进行计算机视觉方面的任务，比如对象检测，对象分类，对象分割等，这里毕竟著名的模型VIT，Swin便是成功的把transformer的注意力机制应用到了计算机视觉任务，那么基于transformer模型的OCR识别任务，便是理所当然的了。
TrO
1873
835
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
扫一扫
